Metodología de alerta temprana para el abandono y el rendimiento académico en grados y másters universitarios

Abstract

Son muchos los motivos que conducen a que los estudiantes universitarios acaben abandonando sus carreras. La casuística que conduce al abandono es diferente en función de las ramas académicas, las facultades o escuelas y las circunstancias personales de los universitarios. También es diferente el momento en que esto ocurre. En un contexto de continuos cambios y de exceso de información, las universidades se plantean la posibilidad de extraer de sus bases de datos patrones de alerta temprana que sirvan para actuar a tiempo en aquellos casos donde la probabilidad de abandono empiece a ser relativamente alta. Este estudio propone una metodología en dos etapas para extraer tales patrones de abandono. En primer lugar, y dependiendo de cada facultad o escuela universitaria, el modelo extraerá los factores más influyentes sobre el abandono y posteriormente se generarán árboles de clasificación utilizando tales variables explicativas. La metodología propuesta ha sido testada con datos reales de la Universidad Miguel Hernández de Elche, con datos de Grados y Másteres del año 2010 hasta el 2020 (más de 24.894 registros), proporcionados directamente por el Vicerrectorado de Estudiantes y Coordinación, desde donde se lideró este proyecto. Con la experiencia computacional que acompaña a la metodología descrita, se obtienen modelos predictivos capaces de modelar el abandono con unas precisiones medias próximas al 80%. Ello no solo ofrece una fotografía real de la situación de cada facultad, sino que se sustenta en una confianza más que suficiente para que el Vicerrectorado pueda diseñar planes de contingencia para los escenarios donde el abandono se presenta como una alternativa muy probable, en caso de que no se intervenga de manera temprana

There are many reasons that lead college students to end up abandoning their careers. The casuistry that leads to dropout is different depending on the academic branches, the faculties or schools and the personal circumstances of the university students. The timing of this is also different. In a context of continuous changes and an excess of information, Universities consider the possibility of extracting early warning patterns from their databases that help to act in time in those cases where the probability of abandoning begins to be relatively high. This study proposes a two-stage methodology to extract such dropout patterns. In the first place, and depending on each faculty or university school, the model will extract the most influential factors on dropout and later, classification trees will be generated using these explanatory variables. The proposed methodology has been tested with real data from the University Miguel Hernández of Elche, with data from Degrees from the year 2010 to the present (24,894 records), provided directly by the Vice-Rector’s Office for Students affairs and coordination, that leads this project. With the computational experience that accompanies the described methodology, predictive models are capable of modelling dropout with mean accuracies close to 80%. This not only offers a real photograph of the situation of each faculty, but is supported by more than enough confidence so that the Vice-Rector’s Office can design contingency plans for scenarios where dropout is presented as a very likely alternative, in case of do not intervene early